
-
生物通官微
陪你抓住生命科技
跳动的脉搏
用于利用深度学习实时检测新鲜和有缺陷蔬菜的多类别数据集
《Scientific Data》:A Multiclass Dataset for Real-Time Detection of Fresh and Defective Vegetables Using Deep Learning
【字体: 大 中 小 】 时间:2026年08月30日 来源:Scientific Data 7.2
编辑推荐:
摘要在现实的市场环境中,公开可用的蔬菜数据集很少同时包含新鲜和有缺陷的样本,因为大多数现有数据集都是在受控的实验室环境中收集的。这种缺乏自然采集数据的情况限制了模型在实际场景中的泛化能力。为了解决这一问题,本研究引入了一个多类图像数据集,旨在实时检测现实条件下的新鲜和有缺陷蔬菜。
在现实的市场环境中,公开可用的蔬菜数据集很少同时包含新鲜和有缺陷的样本,因为大多数现有数据集都是在受控的实验室环境中收集的。这种缺乏自然采集数据的情况限制了模型在实际场景中的泛化能力。为了解决这一问题,本研究引入了一个多类图像数据集,旨在实时检测现实条件下的新鲜和有缺陷蔬菜。与以往由实验室整理的数据集不同,我们提出的数据集包含2,032张原始图像和4,736个标注样本,这些样本来自当地市场,涵盖了光照、颜色、质地、新鲜度和物理缺陷的自然变化。该数据集涵盖了14个类别,包括七种常见食用蔬菜的新鲜和有缺陷类型:番茄、土豆、苦瓜、尖瓜、洋葱、茄子以及辣椒。这有助于有效地训练和评估基于深度学习的检测模型。在使用YOLOv9和YOLOv11模型进行基准测试时,该数据集的mAP@50得分分别为93.2%和94.3%,显示出很高的检测精度。这些结果使我们的数据集成为新鲜度分级、缺陷识别以及市场导向的视觉分析方面的一个有价值的基准,从而推动了精准农业和可持续食品管理的发展。